【综述类论文】TLS协议恶意加密流量识别研究综述（中文论文）

TLS协议恶意加密流量识别研究综述

摘要

随着5G时代的来临，以及公众对互联网的认识日益加深，公众对个人隐私的保护也越来越重视。由于数据加密过程中存在着恶意通信，为确保数据安全，维护社会国家利益，加密流量识别的研究工作尤为重要。

针对TLS流量详细的阐述：
（1）分析了早期识别方法的改进技术，包括常见的流量检测技术、DPI检测技术、代理技术以及证书检测技术。
（2）介绍了选取不同TLS加密流量特征的机器学习模型，以及无需特征选择的深度学习模型等诸多最新研究成果。

对相关研究工作的不足进行总结，并对未来技术的研究工作和发展趋势进行了展望。

论文解决的问题与贡献

1. TLS1.3问题与归纳

2. 现存检测技术问题总结

3. 常见有效特征总结

4. 研究模型方法总结

5.领域技术迁移

在前面发展的基础上，在解决了数据集的问题后，不乏尝试将用在文本/图像处理，甚至语音识别，情景分析等深度学习模型应用到加密流量的检测领域。这些模型在本身的领域已有相当成熟的研究，且取得了不错的研究成果。

如目前较为新颖的 BERT 模型，在解决Transformer模型需要训练大量的参数基础上，通过上下文全向实现自然语言文本的更精准识别处理。想要将BERT模型应用到本领域，还存在着下面的问题：
（1）如何高效准确地将 TLS 加密流量转换成如图像，自然语言处理文本，甚至语音进行处理。
（2）将胶囊神经网络（capsule network），对抗神经网络（generative adversarial networks，GAN）等模型应用到加密恶意流量识别中

如：在胶囊网络中可以通过将获取的 TLS 数据集（.PCAP 数据包等）转化为图像特征，并作为模型的原始数据输入进行训练，这些低层胶囊对其输入执行一些相当复杂的内部计算，然后将这些计算的结果封装成一个包含丰富信息的小向量；再如设计动机为自动化特征提取的GAN网络，利用GAN网络生成器，可以初步解决因为恶意流量少而导致的数据不平衡问题，并利用判别器迭代优化数据，以此有效提高自学习特征的可解释性和检测效率。